Cartesia 推出 Sonic-3.6：串流 TTS 模型，現已稱霸 Artificial Analysis 兩大語音競技場

Cartesia 今日宣布推出即時文字轉語音（TTS）模型的最新版本 Sonic-3.6，距離上一代 Sonic-3.5 僅相隔約三個月。本次更新將重點聚焦於語音的自然度，並且官方強調這項進步可以透過第三方測試平台獨立驗證。Sonic-3.6 目前已在知名 AI 模型評測機構 Artificial Analysis 的兩項語音排行榜上雙雙奪冠，展現出在合成語音領域的顯著突破。Artificial Analysis 的「提供者語音榜」（Provider Voice Leaderboard）中，Sonic-3.6 以 1,283 Elo 分數位居第一。

Elo 分數是一種常見於競技評比系統的相對評分方式，分數越高代表綜合表現越出色。而在更具指標意義的「受控語音榜」（Controlled Voice Leaderboard）上，Sonic-3.6 同樣拿下 1,123 分的最高成績。該榜單的設計是將所有參評模型的合成引擎套用在完全相同的八個參考語音上進行測試，藉此將引擎本身的品質與語音庫的差異分離開來，從而更公平地比較各家語音合成技術的實力。在受控語音榜的排名中，Sonic-3.6 佔據榜首，而上一代 Sonic-3.5 則緊追在後名列第二，第三名則是長期以來在語音合成市場佔有重要地位的 ElevenLabs 旗下的 Eleven v3。

這項排名結果顯示，Cartesia 在短短三個月內便讓自家技術在合成引擎的自然度與表現力上取得了可驗證的領先優勢。技術架構方面，Sonic-3.6 採用了狀態空間模型（State Space Model, SSM）作為核心，而非目前業界更常見的 Transformer 結構。狀態空間模型在長序列建模與計算效率上有其獨特優勢，這也使得 Cartesia 能夠宣稱 Sonic-3.6 的首次音訊輸出時間（Time to First Audio, TTFA）低於 90 毫秒。對於需要即時互動的應用場景，如語音助理、客服機器人、有聲內容生成等，極低的初始延遲是決定使用者體驗的關鍵因素之一。

目前 Sonic-3.6 以 Beta 版本的形式對外開放。使用者可以透過 Cartesia 提供的託管 API 服務直接整合這項新的語音合成能力，無需自行部署模型。官方也同時提供 Beta 版的部署選項，讓開發者能夠在測試環境中評估模型的表現。從 Sonic-3.5 到 Sonic-3.6 的快速迭代，反映出 Cartesia 在語音合成領域的研發節奏正在加快，而第三方獨立排行榜的背書也為其技術實力提供了客觀佐證。隨著即時 TTS 技術在內容創作、無障礙輔助、教育培訓、虛擬角色配音等多元場景的應用持續擴大，模型的自然度與回應速度已成為市場競爭的兩大核心要素。Sonic-3.

6 在 Artificial Analysis 兩大榜單的雙料冠軍，以及不到 90 毫秒的首次音訊輸出時間，可能會促使其他語音合成廠商加速技術升級，以維持競爭力。業界也將密切關注 Cartesia 下一步是否會推出正式版，以及後續能否在更多語言與語音風格上持續擴展。